Static malware detection using stacked bi-directional LSTM
Yığınlanmış çift yönlü uzun-kısa süreli bellek kullanarak zararlı yazılım tespiti
- Tez No: 685223
- Danışmanlar: DOÇ. DR. CENGİZ ACARTÜRK
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2021
- Dil: İngilizce
- Üniversite: Orta Doğu Teknik Üniversitesi
- Enstitü: Enformatik Enstitüsü
- Ana Bilim Dalı: Siber Güvenlik Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 82
Özet
İnternetin ve kişisel bilgisayarların son zamanlarda yaygınlaşması, siber suçluların İnternet kullanıcılarını yaygın ve zarar verici tehditlere maruz bırakmasını kolaylaştırdı. Son kullanıcıları bu tür tehditlere maruz bırakmamak için kullanılan güvenlik sistemlerinin proaktif olması, zaralı yazılımları ve çalıştırılabilir dosyaları son kullanıcıya ulaşmadan önce algılaması beklenir. Verimli ve düşük maliyetli bir zararlı yazılım algılama mekanizması oluşturmak için, bu çalışmada, yığınlanmış çift yönlü uzun kısa süreli bellek (Yığınlanmış BiLSTM) tabanlı derin öğrenme (DL) dil modeli öneriyoruz. Zararlı ve zararsız çalıştırılabilir dosyalardan elde ettiğimiz assembly talimatlarını kullanarak modeller geliştirdik. Bu modellerde, assembly talimatlarını cümle, kod bölümlerini ise belge olarak ele aldık. Yapılan denemeler, Belge Düzeyinde Analiz Modelinin (DLAM) ve Cümle Düzeyinde Analiz Modelinin (SLAM) sırasıyla 98,3% ve 70.4% F1 doğruluk puanına ulaştığını gösterdi.
Özet (Çeviri)
The recent proliferation in the use of the Internet and personal computers has made it easier for cybercriminals to expose Internet users to widespread and damaging threats. In order protect the end users against such threats, a security system must be proactive. It needs to detect malicious files or executables before reaching the end-user. To create an efficient and low-cost malware detection mechanism, in the present study, we propose stacked bidirectional long short-term memory (Stacked BiLSTM) based deep learning (DL) language model for detecting malicious code. We developed language models using assembly instructions from .text sections of malicious and benign Portable Executable (PE) files. We created our first dataset from assembly instructions obtained from static analysis of the PE files. The dataset was composed of text documents, and it was used in Document Level Analysis Model (DLAM). By splitting the first dataset into single instructions, we obtained the second dataset, which was then used in a Sentence Level Analysis Model (SLAM). We treated each instruction as a sentence, and .text sections as documents. We labeled each document and sentence by their corresponding malicious and benign tags. The experiments showed that the Document Level Analysis Model (DLAM), and the Sentence Level Analysis Model (SLAM) achieved 98,3% and 70.4% F1 scores, respectively.
Benzer Tezler
- Taşınabilir yürütülebilir dosyalarda yinelenen sinir ağlarını kullanarak statik kötü amaçlı yazılım algılama
Static malware detection using recurrent neural networks in portable executables
MUSA GÜL
Yüksek Lisans
Türkçe
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMersin ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. ERDİNÇ AVAROĞLU
- Android malware detection using audio and image data transformation
Ses ve görüntü dönüşümü kullanilarak android kötücül yazilim tespiti
OĞUZ EMRE KURAL
Doktora
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOndokuz Mayıs ÜniversitesiHesaplamalı Bilimler Ana Bilim Dalı
PROF. DR. ERDAL KILIÇ
- İşlem kodu analizi ile çizge tabanlı zararlı yazılım tespiti
Graph-based malware detection using opcode analysis
SİBEL GÜLMEZ
Yüksek Lisans
Türkçe
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGebze Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. İBRAHİM SOĞUKPINAR
- Çalıştırılabilir dosyaların nümerik ve metinsel özellikleri kullanılarak makine öğrenmesi ile zararlı yazılım tespiti
Malware detection with machine learning using executable files numeric and textual features
SEFU MOHAMED
Yüksek Lisans
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilgisayar ve Bilişim Mühendisliği Ana Bilim Dalı
DOÇ. DR. İBRAHİM ÖZÇELİK
- Malware detection using transformers-based model GPT-2
Transformatör tabanlı model GPT-2 kullanarak zararlı yazılım tespiti
NAZENİN ŞAHİN
Yüksek Lisans
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik ÜniversitesiSiber Güvenlik Ana Bilim Dalı
DOÇ. DR. CENGİZ ACARTÜRK